Els sistemes d'inspecció visual de les fàbriques acostumen a necessitar milers de fotografies etiquetades de cada tipus de defecte. Reunir-les pot trigar mesos i costar prou diners per deixar fora les petites i mitjanes empreses, que no tenen ni el volum de producció ni els equips per fer-ho.
Un equip format per investigadors de diverses universitats dels Estats Units i d'Europa, amb Fadel Mounir Megahed com a primer autor i Ying-Ju Chen, de la Universitat de Dayton, com a peça clau, proposa una alternativa. Adapta CLIP, un model d'OpenAI entrenat amb centenars de milions d'imatges corrents, per a la inspecció «amb pocs exemples» (*few-shot*): com que el model ja sap com són les coses, només necessita unes poques imatges etiquetades per aprendre què és un defecte en una peça concreta.
El treball, publicat al *Journal of Quality Technology* (DOI 10.1080/00224065.2026.2640171), és un estudi de cas expositiu que també dona pautes pràctiques per aplicar el mètode i avaluar-lo. L'han provat en diversos problemes d'inspecció industrial. L'objectiu és abaratir la posada en marxa d'un sistema de control de qualitat basat en visió artificial.
La nota de premsa no dona xifres: no diu quantes imatges calen, quin percentatge de defectes detecta ni com es compara amb altres mètodes, i tampoc no concreta els tipus de peces provades ni els límits que els autors descriuen a l'article. Cal llegir l'estudi per jutjar fins on arriba la millora.